Selective Searchは、画像中の物体が存在しそうな領域を効率的に絞り込むためのアルゴリズムです。色の類似性やテクスチャなどを基に、異なるサイズの矩形を統合しながら候補領域を生成し、近年の物体検出の基礎技術として発展しました。
セレクティブサーチとは
一言でいうと、Selective Searchとは「画像の中に何がどこにあるかを探すため、あらかじめ物体がありそうな怪しい領域（候補）を効率よく切り出す手法」です。
詳しく解説
Selective Searchは、ディープラーニングによる物体検出が主流になる前の初期モデルや、R-CNNなどの先進的なモデルの領域提案フェーズにおいて広く利用されました。この手法では、まず画像を細かな領域に分割し、色やテクスチャ、サイズ、形状の類似度が高い隣接領域同士をボトムアップ方式で次々に統合していきます。これにより、様々な大きさやアスペクト比を持つオブジェクトのバウンディングボックスを網羅的に生成できるため、単純な格子状の走査よりも圧倒的に少ない計算量で、見落としの少ない領域候補を作成することが可能です。
具体例・使われ方
例えば、自動運転システムにおける歩行者や標識の検出、あるいはスマートフォンの写真アプリにおける被写体認識の前処理として、画像全体のどこを詳細に解析すべきかを割り出す際に活用されてきました。
似た用語との違い
従来の「エキゾーストサーチ（総当たり的なグリッド探索）」や、後に登場したアンカーボックス方式、さらにはFaster R-CNNにおけるRPN（Region Proposal Network）などと比較されます。総当たり探索が膨大な計算コストを要するのに対し、Selective Searchはヒューリスティックな類似性を用いて領域を絞り込むため効率的ですが、現在のディープラーニングベースの手法と比べると処理速度の面で劣ります。
注意点
Selective Searchはあくまで手作業で設計されたルール（色やテクスチャの類似度）に基づいており、エンドツーエンドの学習ができません。そのため、RPNなどのニューラルネットワークを用いた高速な領域提案手法に取って代わられ、現在では実際のリアルタイム処理や最先端のシステムではほとんど使われていない点に注意が必要です。